-
题名视频目标跟踪技术综述
被引量：18
- 1
-
-
作者
李均利
尹宽
储诚曦
汪鸿年
-
机构
四川师范大学计算机科学学院
宁波大学信息科学与工程学院
-
出处
《燕山大学学报》
CAS
北大核心
2019年第3期251-262,共12页
-
基金
国家自然科学基金资助项目(61403266)
-
文摘
目标检测与跟踪是计算机视觉领域中的一个基本课题和研究热点,在军事领域、视频监控、人机交互、交通监测、精准制导等多个领域中有着重要的应用,具有重要的理论研究意义与实际应用价值。本文旨在对经典目标跟踪的技术流程以及技术发展现状作简要阐述。尤其对近些年研究热点,如相关滤波和深度学习的跟踪方法进行了概述,对其未来发展趋势进行了展望。另外,本文分析了多种方法的优缺点,提出了目标跟踪过程的主要挑战和难题,为相关研究人员提供参考和建议。
-
关键词
计算机视觉
目标跟踪
相关滤波
深度学习
-
Keywords
computer vision
object tracking
correlation filtering
deep learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于行为关键语句特征的停车场异常行为识别方法
被引量：3
- 2
-
-
作者
汪鸿年
苏菡
龙刚
王雁飞
尹宽
-
机构
四川师范大学计算机科学学院
可视化计算与虚拟现实四川省重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2019年第10期299-306,共8页
-
基金
国家自然科学基金(61403266,61403196)
人社部留学回国人员科技活动择优项目重点项目
+1 种基金
四川省可视化与虚拟现实重点实验室项目(KJ201419)
成都大熊猫繁育研究基地项目(CPB2018-02)资助
-
文摘
随着技术的发展和摄像头的普及,人们对智能视频监控的需求越来越高,其中异常行为识别是智能监控系统的关键部分,对维护社会安全有着重要的作用。针对视频数据的时空特性,文中提出了将行为表示为具有时间序列性的关键语句的方法,并将这些关键语句称为行为关键语句。通过对行为关键语句的学习,实现了对停车场场景的异常行为识别。首先,对行为图像序列进行分割,提取前景目标并计算前景目标的运动周期曲线;然后,依据运动周期曲线采用动态时间规整(Dynamic Time Warping,DTW)的方法提取行为关键帧;最后,基于自然语言处理领域中的语义理解的方法,将行为关键帧表征为一系列行为关键语句进行识别。针对关键语句的时序性,采用擅长处理时序数据的长短时记忆神经网络(Long Short-Term Memory Network,LSTM)对行为关键语句进行分类。此外,为解决现有的数据不平衡问题,采用生成对抗网络(Generative Adversarial Networks,GAN)等方法扩充训练集,以增大样本空间,平衡不同类别数据量的差异。在中国科学院CASIA行为数据库和自建行为数据库上的验证结果表明,所提方法对异常行为的平均识别率达到了97%,相比于以前的方法有了明显的提升,证明了行为关键语句能更好地表征行为信息且LSTM模型更适用于学习时序数据背后的模式,因此该方法在停车场场景的异常行为识别任务上具有有效性。
-
关键词
异常行为识别
深度学习特征
动态时间规整
生成对抗网络
长短时记忆神经网络
-
Keywords
Anomaly behavior recognition
Features of deep learning
Dynamic time warping
Generative adversarial networks
Long Short-term memory neural network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
